基于WOA_ELM算法的矿井突水水源快速判别模型_董东林

我国是世界上煤炭生产量和消耗量最大的国家,但由于水文地质条件复杂,在煤矿生产过程中煤层顶底板突水事故频发,常常造成严重的经济损失和人员伤亡,快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据,将Na+,Ca2+,Mg2+,Cl-,SO24-,HCO3-六种离子的物质的量浓度作为输入项,突水水源类型为其输出项,应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点,采用鲸鱼算法对其权值和阈值进行迭代寻优,通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索,收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型,由于猎物(突水)位置不确定,WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置,然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|>1时随机搜索猎物;当|A|<1时,以0.5为分界点,p<0.5选择环形包围模式,p>0.5则通过螺旋运动来更新位置。依据最低适应度值得到最优个体的位置,最终将输出的42个最优权值和阈值赋给ELM模型,对待测样本进行判别。通过对比,WOA-ELM判别模型在矿井突水水源识别中的准确率高达95%以上,与单一ELM模型相比,准确率提升了15%左右。与支持向量机模型(SVW)、粒子群优化的极限学习机(PSO-ELM)模型以及灰狼优化算法改进的极限学习机(GWO-ELM)模型等相比,该模型具有更快的收敛速度与更高的精度,稳定性和泛化能力也均得到提升。

  • 2021-04-20
  • 阅读184
  • 下载0
  • 10页
  • pdf

基于智能终端的智能建筑系统构建_程青

目前主 流 的 智 能 化 系 统 一 般 可 以 划 分 为 控制管理主 机、前 端 控 制 器 及 传 感/执 行 设 备 三 个层次[1-3]。这种架构中系统主机的作用涉及管理及控制 两 个 方 面,其 中 管 理 功 能 侧 重 于 系 统 整体,而控制功能更侧重于局部个别的终端,要 求 终端对于现场的输入进行实时的反馈。现 有 智能化系统架构如图1所示。 对上述架构分析,会发现以下问题: (1)对于控制功能,要求实时性及可靠性,在 现有架构下管理主机及通信网络的任何故障都 会影响到终端的控制功能。针对该弊端,目前智 能化系统已有把控制功能下放到前端设备上的 趋势(如 BAS系 统 的 DDC 控 制 器,门 禁 系 统 的 门禁控制器等)。 (2)对于各系统主机的管理功能,当把一个建筑中多个系统集成到IBMS后,就能发现在系统管理主机及IBMS上存在在重复的管理功能。跨系统的联动功能本质是控制功能。对 于 控 制功能注重的是可靠性及实时性。在 现 有IBMS集成的架构下,1个联动逻辑需要通过系统1的前端设备、系统1主机、IBMS平台、系统2主机、系统2前端设备,这个超长的控制链来实现。涉及两 套 系 统 主 机、通 信 网 络 以 及IBMS 系 统 联动,这种方式本身是不可靠的。

  • 2021-04-19
  • 阅读183
  • 下载0
  • 5页
  • pdf